說明 Uedu 平台的 AI 互動作業如何讓教師設計對話式作業，並透過 LLM 自動評分與教師覆核機制，評量學生的對話品質。
AI Interact（AI 互動作業）是 Uedu 平台的對話式作業模組。教師可建立以 AI 對話為核心的學習任務，學生透過與 AI 助教的多輪對話完成作業，系統再以 LLM 自動評分。
此模組的核心理念是：對話本身就是學習過程。透過精心設計的 System Prompt 與作業模式（mode_code），教師可以引導學生進行蘇格拉底式提問、角色扮演、案例分析等多元學習活動，並透過自動評分獲得即時回饋。
每份 AI 互動作業由教師設定以下核心要素：
| 設定項目 | 說明 |
|---|---|
| 作業模式（mode_code） | 定義 AI 的互動行為模式，例如蘇格拉底式提問、角色扮演、案例分析等 |
| System Prompt | 教師撰寫的 AI 指令，定義 AI 的角色、行為準則與回應風格 |
| 評分標準（scoring_criteria） | JSON 格式的多維度評分規則（見第 3 節） |
| 評分方式 | use_default_scoring（使用平台預設）或 custom_scoring（教師自訂） |
評分標準以 JSON 格式（scoring_criteria）定義，每個維度包含名稱、描述與配分：
| 欄位 | 型別 | 說明 |
|---|---|---|
name | String | 評分維度名稱（如「問題深度」「邏輯連貫性」） |
description | String | 該維度的評分說明與標準 |
max_score | Number | 該維度的滿分值 |
use_default_scoring）：平台提供通用的多維度評分標準，適用於一般性的 AI 對話作業custom_scoring）：教師可針對特定作業需求自訂評分維度與標準，例如針對程式設計作業增加「程式碼正確性」維度自動評分使用 gpt-5-mini 模型，以 response_format=json_object 確保回傳結構化的 JSON 結果。
LLM 回傳的評分結果包含以下結構：
| 欄位 | 型別 | 說明 |
|---|---|---|
criteria_scores | Array | 每個評分維度的分數與評語（score + comment） |
total_score | Number | 各維度分數加總 |
overall_comment | String | 整體評語，總結學生的對話表現 |
學生可查看每個維度的分數與 LLM 提供的具體評語（comment），了解自己在哪些面向表現較好或需要加強。
AI 自動評分完成後，教師可查看評分結果並進行覆核：
| 評分來源（score_source） | 說明 |
|---|---|
auto | LLM 自動評分結果，為預設值 |
manual | 教師手動覆核後的分數，覆寫自動評分 |
教師覆核時可以：
score_source 自動標記為 manual若以評分資料進行研究分析，建議區分 score_source 為 auto 或 manual，以釐清評分來源對資料的影響。
AI 互動作業的評分結果儲存於 ai_interact_evaluations 資料表，主要欄位包含：
| 欄位 | 說明 |
|---|---|
criteria_scores | JSON 格式，逐維度的分數與評語 |
total_score | 總分 |
overall_comment | 整體評語 |
score_source | auto（自動）或 manual（手動覆核） |
對話紀錄與評分結果皆完整保留，支援後續的學習分析與研究匯出。
學生的 AI 互動作業成績由 Uedu 平台的 AI Interact 模組自動評量。教師預先設定作業模式（mode_code）與 System Prompt，學生透過與 AI 助教的多輪對話完成作業後，系統以 LLM（OpenAI gpt-5-mini）依據結構化評分標準（scoring_criteria JSON）逐維度評分，輸出包含各維度分數（criteria_scores）、總分（total_score）與整體評語（overall_comment）的 JSON 結果，以 response_format=json_object 確保格式一致。評分標準可使用平台預設或教師自訂。教師可查看自動評分結果並手動覆核（score_source 標記為 auto 或 manual）。詳細方法論說明見 https://uedu.tw/doc/ai-interact。
建議同時提供：